葡萄新京 让矩阵归模拟, 让逻辑归数字! 这家中国团队再行界说了盘算推算机

黄仁勋的GPU，解一说念矩阵方程，要作念上亿次乘法。

一家中国公司，一步就给解了，用的是模拟盘算推算。

这家公司叫安纳智芯（Anatrix）。

往时几年，通盘这个词AI行业简直齐在往并吞个地点决骤。GPU、TPU、LPU、CPU……大师卷来卷去，内容上卷的其实如故数字盘算推算：

更多晶体管、更先进的制程、更大带宽、更高隐约。

但最近，咱们发现存一批公司，初始不按这个逻辑走了。

安纳等于其中之一。

他们采取的，是一个一经千里寂已久、但这两年又初始火热的地点：

模拟盘算推算。

这个主张听着新，其实少许齐不新。

早在数字盘算推算机大边界擢升之前，东说念主类就一经在研究模拟盘算推算。最近很火的存算一体、光盘算推算、量子盘算推算、类脑芯片，往大了说，内容上也齐属于这条道路。

之是以这两年再行被关切，一个很伏击的原因在于：

模拟盘算推算自然具备更高并行度、更低功耗，况且不像数字芯片那样高度依赖先进制程。

但它的问题也很彰着，数字盘算推算内容上处理的是0和1，只消能永诀上下电平，过错就能被束缚更动。

而传统模拟盘算推算由于是平直用物理信号示意信息。电压、电流、电导这些量在传播经由中，容易荟萃噪声和漂移。

矩阵边界越大，过错放大得越夸张。

往时几十年，数字盘算推算靠着摩尔定律沿路狂飙，精度被束缚“硬堆”上去；而模拟盘算推算诚然表面上更高效，却恒久困在精度问题里。

行业里以致一直有一个很流行的不雅点：模拟盘算推算很快、很省电，但不确凿。精度，也因此成了模拟盘算推算近几十年来最大的死结。

而安纳作念的，等于把它解开。

模拟盘算推算的精度，不再是问题了

往时近十年里，安纳的中枢科学家一直在作念并吞件事——

把模拟盘算推算的扫尾，作念得浪掷确凿。

前年，团队完成了精度忘形数字芯片水平的旨趣性考证，在模拟盘算推算边界达到断档式最初，而本年，有关芯良晌下一经干涉流片阶段。

在时间道路上，安纳走的是一条很是典型、但也很是“硬核”的模拟盘算推算道路：

基于存储器阵列，搭建非冯诺依曼架构芯片。

浅易来说，等于把矩阵方程平直映射进物理电路，让电路自己成为方程求解器。

输入给进去，测输出，输出等于解。

也正因如斯，那些GPU没主义平直求解、只可靠海量迭代迫临的矩阵方程，在安纳这里，不错一步完成，并保握精准。

（注：GPU拿到一个512×512的矩阵方程后，第一件事并不是“平直解”。它会先把问题辨别、转置、分解，再滚动成海量矩阵乘加运算，通过一轮轮迭代迟缓迫临谜底。通盘这个词经由，时常需要上亿次乘法。）

但非凡念念的是。

即便精度问题初始被贬责，今天大深广模拟盘算推算公司依然莫得采纳这条路。

像Unconventional AI、Normal Computing、EnCharge AI这些近两年最受关切的模拟盘算推算创业公司，主打的依然是低功耗、存算一体或者特定场景加快。

（注：模拟盘算推算正在再行取得本钱商场关切。2025年底，主打低功耗模拟芯片的 Unconventional AI在种子轮便取得Lightspeed Venture Partners和a16z商量领投的4.75亿好意思元融资，估值接近45亿好意思元；专注热力学盘算推算的Normal Computing于本年3月完成由三星领投的5000万好意思元融资；而存算一体公司EnCharge AI前年也完成了最初1亿好意思元的B轮融资。）

这背后其实对应着两种完满不同的研究玄学。

一种念念路是接管模拟盘算推算存在过错，在低精度条款下寻找“够用”的行使场景。

另一种念念路，则是先把精度作念到极限，再琢磨后果和成本。

安纳属于后者。

在与量子位疏导时，团队反复提到一个不雅点：

通盘盘算推算平台的发展历史，简直齐是先把精度作念到天花板，再把柄场景需求向下作念弃取。

数字盘算推算亦然如斯，AI模子闇练里，先有FP32，再向下兼容FP16、INT8、INT4。

要是一初始就在低精度里寻找“够用”，许多才调可能长久莫得契机被考证。

从上世纪80年代末的类脑盘算推算，到其后的模拟神经网罗，再到今天的存算一体，雷同的故事其实一经反复出现过许屡次。

是以，并不是追求精度这件事有争议，而是在往时很永劫刻里，由于模拟盘算推算精度低是固有的，大师停留在这一层面，存在剖判上的偏差，于是只可退而求其次。

而安纳率先完成了剖判上的打破，他们确凿想作念的，等于把高精度模拟盘算推算推向可用。

通盘东说念主齐在作念乘法，葡萄新京安纳想把“除法”补回归

除了对精度的气派，安纳和其他模拟盘算推算公司的不同，还在于他们选了一个完满不同样的地点：

矩阵求逆。

今天作念模拟盘算推算的公司，非论是存算一体、模拟CIM，如故各式类脑、光盘算推算道路，简直齐在作念矩阵乘法。

这其实很好贯通，因为通盘这个词AI产业，内容上等于斥地在矩阵乘法之上的。

一方面，GPU自己就极其擅长矩阵乘法；另一方面。大模子推理，也简直全是矩阵乘法，是以

通盘这个词行业的念念路齐很当然——

既然模拟盘算推算更省电、更并行，那就拿它去替代一部分GPU的矩阵乘法，但安纳并莫得这样作念，他们采纳了更第一性的矩阵求逆。

那么，矩阵乘法和矩阵求逆有啥不同样呢？

浅易来说，矩阵乘法，内容上是“知因求果”。权重已知、参数已知，乘起来、加起来，临了得到扫尾。

而矩阵求逆反过来。扫尾一经知说念了，但中间确凿的参数、权重、景象未知，你需要反过来把它求出来，从扫尾反推原因。

对应到大模子里也很好贯通：矩阵乘法更多对应推理，而矩阵求逆则更接近闇练。

因为闇练内容上，等于已知输入和输出，再反过来寻找中间最妥贴的参数。

（注：今上帝流数字盘算推算的作念法，依然是把原来需要平直求解的问题，滚动成海量矩阵乘法，再通过束缚迭代去迫临谜底。）

事实上，矩阵求逆并不局限于大模子闇练。试验寰球里确凿难的问题，许多其实齐是“逆问题”。

比如，机器东说念主为什么会颠仆？自动驾驶怎样从传感器数据里还原真实景象？通讯系统怎样从搀和信号里恢归附始信息？

这些问题，底层齐在作念并吞件事：从扫尾反推原因。

而这，恰正是GPU不擅长的。因为在数字芯片体系里，并不存在“原生矩阵求逆”这个算子。它的作念法，内容上是绕。

先把一个求逆问题辨别，再滚动成海量矩阵乘法，然后通过束缚迭代，一轮轮迫临最终谜底。

是以GPU不是“平直解”，而是在“迫临解”，这亦然为什么，咱们前边会看到阿谁“一亿步”和“一步”的辨别。

为了愈加潜入地贯通这两者的互异，安纳还给咱们打了一个很形象的譬如。

比如你要建长城。矩阵求逆就像“砖”。而数字芯片手里其实莫得砖。它惟有沙子、土壤、原料。

是以它得先和泥、烧制、成型，临了才调得到一块砖，再拿这块砖去建长城。

模拟盘算推算芯片，则是平直把砖给你。你无谓再从沙子初始。是以这不是“快少许”或者“省少许”的区别，而是盘算推算范式自己不同。

一个是在束缚迭代迫临。

一个则是原生求解。

安纳想作念的，等于把这块缺失了许多年的“砖”，再行补回归。

让矩阵归模拟，让逻辑归数字

说到临了，一个很试验的问题摆在眼前：

模拟盘算推算这块“砖”，到底怎样插进今天一经高度纯属的AI基础按序里？

安纳给出的谜底很浅易：让矩阵归模拟，让逻辑归数字。

据了解，他们的模拟芯片在接口、数据体式和互联神色上，齐兼容现存GPU体系，不错平直接入今天一经scale起来的AI Infra和算力中心。

更伏击的是，它不依赖起先进制程。

当数字芯片还在3nm、2nm上延续向物理极限迫临时，模拟盘算推算某种意思意思意思意思上一经跳出了那套“拼晶体管、拼工艺、拼堆叠”的竞争逻辑。

而一朝矩阵求逆这块“砖”确凿补上，它带来的变化，可能会比假想中更大。

机器学习里的优化问题、具身智能的及时教学放胆、自动驾驶的景象猜度、6G通讯里的信号回复、端侧AI的在线学习……这些系统背后，内容上齐在高频求解矩阵方程。

往时许多问题不是不成作念，而是太慢、太贵、太耗电。

而矩阵求逆一朝概况被原生、高精度、低功耗地完成，许多往时只可放在云霄、只可离线闇练、只可近似求解的事情，可能齐会初始发生变化。

是以回头再看，安纳想作念的，其实不仅仅一颗“更快更省电的芯片”。

他们确凿想切入的，是下一代智能系统最底层的盘算推算神色。

2012年，东说念主们第一次意志到，GPU不仅能绘图，还能闇练神经网罗。

AI时期由此开启。

而今天，安纳试图回答的是另一个问题：

要是矩阵乘法界说了往时十年的AI，那么模拟盘算推算和矩阵求逆，会不会界说下一代智能系统？

至少当今葡萄新京，他们一经站在了这个问题的最前排。